کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6955327 | 1451858 | 2016 | 12 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Novel Gauss-Hermite integration based Bayesian inference on optimal wavelet parameters for bearing fault diagnosis
ترجمه فارسی عنوان
استنتاج بیگانه نوشتار گاوس-هرمیت از پارامترهای موجک بهینه برای تشخیص گسل تحمل
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ترجمه چکیده
غلتک های غلتک معمولا در ماشین آلات مورد استفاده قرار می گیرند تا پشتیبانی از شفت های دوار انجام شود. خرابی های باربری ممکن است موجب خرابی ماشین های غیر منتظره و افزایش هزینه های اقتصادی شود. برای جلوگیری از خراب شدن ماشین و کاهش ضرر و زیان اقتصادی، گسل های تحویل باید در اسرع وقت شناسایی شوند. از آنجا که تبدیل موجک می تواند مورد استفاده قرار گیرد برای برجسته شدن امواج ناشی از گسل های تحمل موضعی، تبدیل موجک به طور گسترده مورد بررسی قرار گرفته و ثابت شده است که یکی از موثر ترین و کارآمد ترین روش های تشخیص گسل است. در این مقاله، یک روش جدید استنتاج بیزی برای یک توزیع خلفی پارامترهای موجک پیشنهاد شده است. نوآوری های این مقاله به شرح زیر است. اولا، یک مدل فضای حالت غیر خطی پارامترهای موجک برای توصیف رابطه بین پارامترهای موجک و اندازه گیری های فرضی ساخته شده است. دوم، توابع چگالی احتمالی خلفی مشترک پارامترهای موجک و اندازه گیری های احتمالی فرض شده است که به دنبال توزیع گاوس مشترک به منظور ایجاد هیجان گاوسی برای مدل فضای حالت. سوم اینکه، یکپارچگی گاوس-هرمیت به منظور تحلیلی پیش بینی و به روز رسانی لحظات توزیع گاوسی مفصل معرفی می شود که از آن پارامترهای موجک بهینه استخراج می شوند. در نهایت، فیلترینگ موجک بهینه برای استخراج ویژگی های گسل ارائه شده و در نتیجه شناسایی گسل های تحویل موضعی انجام می شود. دو نمونه برای نشان دادن روش روش پیشنهادی مورد بررسی قرار گرفته است. دو مقایسه با کورتوگام سریع برای نشان دادن این که روش پیشنهادی می تواند عملکرد بهتر بازرسی بصری را از کوتوگرافی سریع به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
پردازش سیگنال
چکیده انگلیسی
Rolling element bearings are commonly used in machines to provide support for rotating shafts. Bearing failures may cause unexpected machine breakdowns and increase economic cost. To prevent machine breakdowns and reduce unnecessary economic loss, bearing faults should be detected as early as possible. Because wavelet transform can be used to highlight impulses caused by localized bearing faults, wavelet transform has been widely investigated and proven to be one of the most effective and efficient methods for bearing fault diagnosis. In this paper, a new Gauss-Hermite integration based Bayesian inference method is proposed to estimate the posterior distribution of wavelet parameters. The innovations of this paper are illustrated as follows. Firstly, a non-linear state space model of wavelet parameters is constructed to describe the relationship between wavelet parameters and hypothetical measurements. Secondly, the joint posterior probability density function of wavelet parameters and hypothetical measurements is assumed to follow a joint Gaussian distribution so as to generate Gaussian perturbations for the state space model. Thirdly, Gauss-Hermite integration is introduced to analytically predict and update moments of the joint Gaussian distribution, from which optimal wavelet parameters are derived. At last, an optimal wavelet filtering is conducted to extract bearing fault features and thus identify localized bearing faults. Two instances are investigated to illustrate how the proposed method works. Two comparisons with the fast kurtogram are used to demonstrate that the proposed method can achieve better visual inspection performances than the fast kurtogram.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volumes 72â73, May 2016, Pages 80-91
Journal: Mechanical Systems and Signal Processing - Volumes 72â73, May 2016, Pages 80-91
نویسندگان
Dong Wang, Kwok-Leung Tsui, Qiang Zhou,